機械密封狀態監測與故障診斷技術研究進展*

劉 柱 丁雪興 丁俊華 徐理善

（蘭州理工大學石油化工學院 甘肅蘭州 730050）

隨著科學技術和生產自動化過程的發展和進步，人們對機械運行過程的可靠性和智能維護提出了更高的要求， 具有集成的健康管理和診斷策略成為系統運行生命周期的重要組成部分［1］。 機械密封是旋轉機械如離心泵、 離心機、 反應釜和壓縮機等的軸封裝置，是保證大型旋轉機械穩定持久運行的核心部件［2］。 一旦出現密封失效， 輕則影響設備運行， 造成經濟損失， 重則引發重大事故災害， 威脅人們生命安全［3-4］。 因此對機械密封運行狀態進行實時監測和故障分析， 具有重大研究意義。

在機械密封領域， 已有少量文獻提及智能化概念［5］。 對機械密封狀態監測和故障診斷的研究， 前人也已經做了部分工作， 包括密封振動信號分析、 機械密封聲發射信號降噪方法、 干氣密封端面接觸狀態的聲發射監測和機械密封壽命預測等。 但機械密封狀態監測和故障診斷的研究， 尚在起步階段， 還沒有系統的研究和應用， 需要進一步地深入研究和發展。

本文作者對機械密封狀態監測和故障診斷中的信號處理方法進行系統闡述， 分析不同方法的原理和優缺點， 以及在信號處理中的實際運用； 針對具體的機械密封傳感信號處理流程， 從信號的獲取到降噪和重構、 特征提取、 模式識別以及壽命預測， 總結目前研究進展， 并對機械密封智能化運維未來發展方向進行分析與展望。

1 國內外研究現狀及分析

機械密封狀態監測和故障診斷的主要研究思路和過程如圖1 所示。 （1） 通過信號采集裝置獲取包含機械密封運行狀態的多源信號； （2） 對信號進行預處理提取特征信息， 包括對原始信號的降噪處理和重構， 頻譜分析， 利用經驗模態、 局部均值分解、 局部特征尺度分解、 同步壓縮變換等信號處理方法， 對信號進行時頻分析等； （3） 應用信息融合技術， 包括神經網絡、 支持向量機、 D-S 證據理論、 隱馬爾科夫模型等方法， 進行機械密封故障模式識別和壽命預測。 針對以上三個環節， 國內外學者開展了一系列研究工作， 每個環節都有學者進行過深入研究， 但系統的機械密封故障診斷模型， 文獻中鮮有提及。 而機械密封智能化故障診斷在由理論到應用的過程中， 必須搭建系統的密封信號監測和故障診斷模型。

圖1 故障診斷流程Fig.1 Fault diagnosis flow

1.1 信號的獲取

信號具有能量， 是具體的物理量。 機械設備運行過程當中會產生大量的信號， 如溫度、 壓力、 振動等， 這些信號通常包含了豐富的設備狀態信息。 信號獲取是機械密封故障診斷的第一步， 為保證信號特征信息提取和模式識別的有效性， 必須獲取能正確反映機械設備狀態的信號。 在機械密封故障診斷的研究中， 主要監測信號包括聲發射信號、 振動信號、 密封環溫度和密封腔壓力等。 在這些信號的研究過程中， 已有學者做了大量工作， 為后續的研究鑒定了基礎。

1.1.1 聲發射信號

材料中局域源快速釋放能量產生瞬態彈性波的現象稱為聲發射（Acoustic Emission， AE）， 通常材料變形和斷裂、 流體泄漏、 物體間摩擦時都有聲發射發生。 聲發射技術作為一種無損監測方式， 在安裝聲發射傳感器時， 無需改變密封結構， 可直接將聲發射傳感器安裝在密封殼體上采集聲發射信號。 聲發射采集流程如圖2 所示， 聲發射傳感器感應到的信號由低噪聲信號線傳輸， 經前置放大器放大后， 通過同軸電纜傳遞到聲發射信號分析裝置進行分析。 聲發射技術很早就被用于密封狀態監測研究， 最早是WILLIAMS、MIETTINEN 等［6-7］將聲發射技術用于機械密封監測。此后， 由于聲發射在感知物體摩擦磨損方面的卓越表現， 國內外學者利用聲發射技術研究了干氣密封端面接觸狀態， 建立了機械端面磨損狀態評估模型， 并取得了一系列的研究成果［8-19］。

圖2 聲發射信號采集流程Fig.2 Flow of acoustic emission signal acquisition

1.1.2 振動信號

振動信號通常包含了大量的設備狀態信息， 這些種類豐富的信息通常能反映出設備的不同運行狀態，基于振動信號的信號分析方法在機械領域已經得到廣泛應用［20］。 采集振動信號時， 需要在密封件端蓋端面開孔， 將振動傳感器引入密封結構內部， 安裝固定于端蓋內部至距離動靜環位置最近處。 在密封領域，ETSION 和CONSTANTINESCU［21］采用電渦流傳感器檢測出靜環的振動幅值和振動頻率。 LEE 和GREEN［22］采用電渦流傳感器測試了靜環振動信息， 分析了靜環與轉軸的振動頻率， 取得了一些研究成果。 丁雪興研究團隊采用高精度改進型的電渦流微型傳感器和高速數據采集卡， 在不同工況下， 對螺旋槽干氣密封氣膜平衡位移和氣膜振動位移進行測量， 研究了干氣密封氣膜穩定特性［23-26］。 CHEN 等［27］利用電渦流傳感器測量了干氣密封氣膜厚度， 同時也監測了靜環的振幅， 并取得了階段性成果。 陳金林等［28］采用加速度傳感器采集了密封環摩擦振動信號， 通過相空間重構， 得到了摩擦振動信號的相軌跡和混沌參數。 LUO等［29］采用振動加速傳感器采集泵體的流量、 進口壓力、 出口壓力、 振動加速度信號等振動信息， 對離心泵機械密封磨損及損傷程度下的振動特性進行了分析。

1.1.3 其他信號

機械密封運行過程中， 溫度、 壓力、 扭矩、 轉速、 流量等信號從不同方面反映了密封運行的狀態。為了獲得“高品質” 的信號， 研究人員將傳感器引入密封內部以獲取溫度、 壓力等信號， 從而更加精確地監測密封運行狀態。 孫見君等［30］指出機械密封的控制參數主要有端面溫度、 膜厚、 摩擦扭矩、 泄漏量和端面比壓。 俞樹榮等［24］通過試驗測得了干氣密封的性能參數， 并通過分析指出密封氣膜壓力、 氣膜厚度、 泄漏量、 功耗隨著壓力和轉速的升高而增大。 李云明和吳方［31］設計了機械密封性能參數測量系統，用于在特定工況下測量介質壓力、 溫度、 泄漏量、 轉速、 扭矩等密封信號。 陸俊杰等［32］通過測試機械密封端面溫度， 研究了不同工況下端面溫度的分布和其原因。 魏龍等人［33］通過理論計算和試驗， 研究分析了彈簧比壓、 密封流體壓力和轉速等參數對機械密封端面摩擦因數的影響。 王建磊等［34］利用超聲檢測技術實現了對機械密封潤滑膜的精確測量， 并將誤差控制到0.2～1.1 μm。 SHEIKHANSARI 等［35］介紹了一種在潤滑系統環境下評估航空密封的裝置， 并通過實驗表明密封壓力及出口溫度的實時測量可以提供不同運行條件下密封運行狀態的充分信息。

研究表明， 密封設備的運行狀態受到不同性能參數的影響， 單一信號源已不能滿足機械密封的狀態監測， 只有多元化的綜合信號， 才能全面地反映密封的實時狀態， 只有在密封多源信號的協同作用下， 才能更加精準地對密封運行故障做出診斷。 因此， 多種信號相互協同作用下的狀態監測和故障診斷， 是未來密封運行狀態監測的發展趨勢。 目前， 在實驗室研究中， 已經可以借助豐富的測量手段獲得大量機械密封原始信號用于密封運行狀態的監測和故障診斷。 圖3所示為浙大寧波理工學院“高超密封數字設計與先進測控聯合實驗室” 的機械密封多源信號采集試驗臺， 試驗臺可同時采集機械密封運行時的聲發射信號、 壓力信號、 振動信號和溫度信號。

圖3 密封多源信號采集試驗臺Fig.3 Multi-source signal acquisition test bench of seals

1.2 信號預處理方法

信號預處理是對原始信號的降噪和特征信息的提取。 在機械密封運行過程中， 軸承和其他零部件也會釋放信號， 采集到的信號中會有多種干擾成分， 甚至有用信息還會淹沒在噪聲當中。 所以對采集到的原始信號必須做降噪處理， 去除干擾成分； 之后再采用信號分解方法和譜分析等提取信號特征信息， 用于最后的模式識別。

1.2.1 信號降噪

對于信號降噪的研究， 國內外學者已經做了大量的研究。 小波變換為解決非平穩信號降噪等問題提供了有效解決途徑。 小波去噪技術包括閾值去噪法［36-37］、 模極大值去噪法［38］、 尺度模型去噪法［39］。小波去噪技術雖然應用廣泛， 但在研究過程中也發現其存在一些不足。 為了改進克服小波閾值的不足， 學者們相繼提出了經驗模態、 集合經驗模態、 局部均值等分解方法和小波去噪相結合的去噪方法［40-44］。 該去噪方法的主要流程如圖4 所示， 先用經驗模態等方法分解原始信號， 再利用原始信號和分量之間的相關系數將純凈分量和含噪分量分開， 最后對含噪分量進行小波閾值降噪后與純凈分量相結合。 此外，VARGAS等［45］提出了一種利用小波和雙閾值估計的信號降噪方法； WANG 等［46］提出了一種基于信號波形類型的快速RDTS 降噪方法； 林志斌等［47］提出了基于經驗小波變換和經驗熵的聲發射信號降噪方法。

圖4 信號降噪流程Fig.4 Signal noise reduction flow

1.2.2 特征提取

信號特征提取就是利用信號分析技術對獲取的傳感信號進行處理， 從中提取出能夠反映機械設備運行狀態的特征， 用于機械密封狀態監測和故障診斷。 這些特征主要包括時域特征、 頻域特征、 時頻域特征，當設備運行狀態發生變化時， 傳感器采集到的信號就會存在不同特征， 如何有效地把反映設備不同狀態的特征提取出來是保障機械故障診斷的關鍵。 因此， 有學者們對信號特征提取進行了深入研究。

小波變換是當前應用較為廣泛的時頻分析方法，包括離散小波變換、 連續小波變換和小波包變換［48-49］。 小波變換能同時提供信號時域和頻域的局部化信息， 但其不具備自適應性， 受人為選擇因素影響較大。 HUANG 等［50］于1998 年提出了經驗模態分解（Empirical Mode Decomposition， EMD） 方法， 改變了之前人們對于非線性、 非平穩信號無法處理的局面。 經驗模態法提出以后， 就受到了學者們的廣泛關注， 并在機械故障診斷領域取得了豐碩成果［51-56］。但在研究過程中， 學者們也發現經驗模態法在處理信號時也存在一些邊界效應和模態混疊等問題［57］。 為了克服EMD 算法的缺陷， 2009 年WU 和HUANG［58］提出了集合經驗模態分解（Ensemble Empirical Mode Decomposition， EEMD） 方法。 集合經驗模態分解方法解決了檢驗模態分解模態混疊和端點效應的問題，但也大大增加了計算時間。 英國學者SMITH［59］于2005 年提出一種局部均值分解（Local Mean Decomposition， LMD） 方法。 該方法提出后在機械故障診斷領域得到了廣泛應用， 并取得了一些研究成果［60-61］。但該方法也存在運算量大和模態混疊等問題。 2012年程軍圣等［62］提出局部特征尺度分解（Local Characteristic-scale Decomposition， LCD） 方法。 LCD 方法是在內稟時間尺度分解（ITD） 的基礎上進行改進的一種新的自適應信號分解方法， 能夠將非平穩信號分解成不同尺度下的內稟尺度分量（ISC）， 對信號的局部信息進行有效地表征。 對振動信號的ISC 分量做包絡譜分析， 仿真信號實驗和對軸承故障試驗信號的特征提取表明， LCD 在抑制端點效應和模態混疊方面比EMD 性能更優， 并且具備更高的運算效率［63-64］。 此外， FENG 等［65］提出了迭代廣義同步壓縮變換方法，用于時變工況行星齒輪箱故障的特征提取。

學者們將上述特征提取方法應用到機械密封的狀態監測和故障診斷的研究中， 并取得了較好的成效。張爾卿等［66］采用經驗模態分解（EMD） 法對機械密封原始聲發射信號進行分離提取， 表明EMD 法能夠將信號分解為不同時間尺度和不同頻帶的一系列固有模態函數， 然后根據能量分布特征對偽分量進行剔除， 得到“近源” 聲發射信號。 張菲等人［67］對機械密封聲發射信號進行分幀處理， 運用EEMD 方法對信號進行時頻分析， 對分解出的子頻分量分別提取時域和頻域特征， 試驗結果表明EEMD 方法能有效提取機械密封運行過程中的聲發射信號特征。 陳金林等［28］通過試驗研究了干氣密封環在磨合過程的變化特征， 并利用EEMD 方法提取了密封端面間的摩擦振動信號。 孫鑫暉等［68］提出了一種基于SVD-AVMD的液膜密封聲發射特征提取方法， 并通過試驗驗證了該方法的有效性和實用性。 信號特征提取是機械密封狀態監測和故障診斷的關鍵步驟， 探索專門適用于密封信號特征提取的方法， 是今后研究的重要領域。

1.3 模式識別及壽命預測

故障診斷的實質是對機械設備運行狀態的精確識別。 在機械裝備智能化快速發展的推動下， 模式識別方法越來越成熟。 應用信息融合技術， 包括回歸算法、 支持向量機、 人工神經網絡和深度學習等方法，對機械密封進行故障模式識別和壽命預測， 是目前的研究方向之一。

1.3.1 模式識別

支持向量機（SVM） 是在目標識別、 圖像分類和故障診斷等領域中應用比較廣泛的一種機器學習方法， 其理論基礎是現代統計學。 2017 年聶建平［69］采用支持向量機對離心泵故障類型進行了模式識別， 實驗表明所提取特征具有良好的識別率。 2018 年蔣恩超［70］提出了基于遺傳算法優化的多分類孿生支持向量機， 利用端面狀態監測實驗采集的聲發射信號特征對端面摩擦狀態進行分類， 得到了較高的分類準確率。

人工神經網絡（Artificial Neural Network， ANN）是由一個輸入層、 一個輸出層以及一個或多個隱含層組成的網絡結構， 其中每一層由多個節點構成［71］。2016 年李曉暉［72］利用Elman 神經網絡建立了密封端面磨損狀態評估模型， 并對2 個神經網絡的決策結果進行了融合， 提升了密封端面健康狀態評估的準確率。 2017 年李勇凡［73］組合利用數據采集、 神經網絡和模糊理論， 設計了液膜密封性能評估軟件， 實驗表明該軟件能夠實現對液膜密封的準確評價。 人工神經網絡由于其優秀的泛化能力， 在機械故障診斷領域應用廣泛。

此外， 模糊理論、 遺傳算法、 時間序列、 回歸分析和深度學習等模式識別方法， 也在機械故障診斷中得到廣泛應用。 2013 年ZHANG 等［74］將時間序列分析運用到齒輪箱的故障診斷和狀態監測， 取得了一定成果。 深度學習是故障診斷研究中的熱點， 2019 年王應晨和段修生［75］提出了一種基于降噪自編碼器和深度信念網絡的融合模型， 并應用于滾動軸承的故障診斷， 證明該模型有很好的魯棒。 目前， 應用于旋轉機械故障特征模式識別方法漸趨成熟， 為以后機械密封的故障診斷鑒定了基礎。

1.3.2 壽命預測

壽命預測是機械密封健康監測中的重要組成部分， 能夠避免事后維修造成的級聯事故和過度維修帶來的經濟損失， 從而最大程度地延長密封設備的使用壽命。 通過機械密封狀態監測裝置， 對機械密封整個運行周期進行狀態監測， 可以揭示密封運行過程中的特征變化， 并準確地預測出密封件的剩余壽命。

對于機械密封壽命預測的研究， 2015 年張爾卿［76］提出一種灰色粒子濾波預測法， 通過預測密封端面磨損量來預測機械密封剩余壽命， 并通過實驗證明該方法的有效性和實用性。 2018 年， 張思聰等［77］基于聲發射技術通過實驗采集了多組機械密封的全壽命數據， 并對數據進行降噪處理和特征提取， 利用馬氏距離進行聲發射特征融合， 通過機械密封退化指標訓練模型。 實驗表明， 基于聲發射特征提取的機械密封壽命預測方法能夠有效預測機械密封剩余壽命。

密封壽命預測主要針對極端工況， 特別是空天深海等對密封有高可靠性要求的應用領域。 因此， 對密封端面運行狀態監測和故障診斷技術進行深入研究，融合密封性能的退化軌跡， 結合人工神經網絡數據處理算法， 建立基于云邊協同環境下的物聯網的密封群組無線監測與評價系統， 建立密封全壽命周期可靠性評估模型， 從而提升密封在空天高溫高速高壓運行環境下， 以及深海高壓復雜水域下的運行可靠性。

2 機械密封狀態監測和故障診斷面臨的問題

機械密封作為大型旋轉機械的核心部件， 對旋轉機械的健康穩定運行起著至關重要的作用。 如何對機械密封進行狀態監測和故障診斷， 也是近些年的研究熱點問題之一。 在國內外學者的不斷努力之下， 對機械密封狀態監測和故障診斷的理論研究已經取得了諸多成果， 相關技術和產品也在不斷發展進步。 然而在實際工業應用中要真正實現機械密封自我監測， 自主分析準確預估失效風險和剩余壽命， 不僅需要更低的成本、 更先進的監測手段， 還有許多難題亟待解決，主要有：

（1） 缺乏高效實用的信號監測手段。

當前工業領域傳感器種類很多， 如聲發射傳感器、 電渦流傳感器、 加速度振動傳感器、 溫度傳感器等， 但是并沒有專門用于密封狀態監測的傳感器。 密封現有的信號監測手段， 一是通過在密封外部直接測量得到信號， 這些信號通常信噪比不高， 質量較差；二是采用植入式的監測手段， 該方法雖然能獲取品質相對較高的信號， 但需要將傳感器直接安裝到機械密封結構內部， 破壞了密封本身的整體結構， 在實驗室應用比較多， 并不適用于工業生產應用。 因此， 依靠當前的機械密封信號監測手段很難獲得高品質、 穩定可靠的監測信號。

（2） 機械密封狀態監測和故障診斷系統普適性較差。

影響機械密封運行狀態的因素諸多， 靠單一的信號源無法去監測密封的整體運行狀態。 在機械密封運行的過程中， 密封的動態特性極為復雜多變， 動環和靜環之間的膜壓、 膜厚還有動靜環的振動等都會影響機械密封的運行狀態。 而且機械密封裝配于不同類型的旋轉機械， 不同的設備會有不同的本征參數和工作環境。 這些都會直接影響機械密封狀態監系統監測的信號， 導致面對不同設備時， 監測信號不統一， 密封故障診斷系統不能統一適用。 隨著工業的快速發展，越來越多的機械密封用戶需要根據自身需求定制密封產品， 這也使得密封產品的種類也日趨豐富， 這也直接導致了密封的狀態監測越來越多樣化。

（3） 機械密封監測數據與知識不能共享利用，該領域內不具備大量的密封故障樣本數據， 用于推動機械密封故障診斷的快速發展。

標準大數據庫是完備的機械密封狀態監測和故障診斷系統所必須的， 而要收集機械密封設備從正常狀態到密封失效的全壽命動態演化數據， 靠單一的力量很難真正實現， 需要密封領域同仁的共同努力。 但目前還沒有密封監測數據的統一標準， 監測系統也都是相互獨立的， 不同監測系統之間也沒有交流和通信，導致研究領域內數據不能共享利用。 沒有完備的數據庫支撐， 因而很難實現機械密封的故障診斷和壽命預測。

3 結論及展望

綜上所述， 對機械密封運行過程的狀態監測和故障診斷意義重大。 目前， 雖已有部分學者對機械密封的故障診斷進行了深入研究和探索， 但由于監測技術尚不成熟， 密封信號處理方法和手段較少， 因此密封狀態監測和故障診斷在工業中應用較少， 擁有巨大的發展潛力。 未來， 在科學技術不斷進步和學者們不斷努力的共同推進下， 機械密封一定會實現智能化狀態監測和自主診斷故障及預測剩余壽命， 給工業發展帶來巨大價值。

隨著大數據和5G 時代的到來， 未來機械密封狀態監測和故障診斷也將在大數據和5G 技術的驅動下迎來飛速發展。 密封故障診斷主有以下發展方向：

（1） 針對密封裝置的先進監測手段。

機械密封結構復雜， 常用的信號監測手段無法直接運用到機械密封信號監測中， 為獲取更豐富更高質量的密封運行狀態信息， 必須開發更多針對密封的專用監測手段。

（2） 多源信號協同作用下的故障診斷。

機械密封結構復雜， 運行過程中動態信息多變，單一的信號源已經無法滿足對密封設備的全方位實時狀態監測。 只有多源信號相互協同， 共同作用， 才能更加全面地掌握裝備的運行狀態， 對故障作出更加及時準確的判斷。

（3） 云邊協同模式下的信號監測和健康管理。

云邊協同是邊緣計算多數部署和應用場景需要邊緣側與中心云的協同。 包括資源協同、 應用協同、 數據協同、 智能協同等多種協同。 云邊協同模式的發展， 很好地解決機械密封監測數據大、 應用場景多變的難題， 將成為機械密封的智能化發展的強勁助推力。

（4） 數據信息交流和共享利用。

數據是機械大數據診斷研究開展的重要基礎和資源［78］。 密封智能化的發展也離不開標準數據庫的建立， 為此應加強數據信息交流和共享利用。 數據信息交流共享主要包括： 收集密封典型故障特征信息、 密封端面接觸狀態以及密封從正常運轉到失效的全壽命動態演化等數據； 企業、 研究所、 高校之間共享密封試驗臺和數據信息； 研究者之間相互交流， 機械學科與人工智能、 信息技術、 傳感技術、 材料技術等多學科交叉融合。

（5） 自我監測和自我診斷決策。

隨著科學技術的發展， 設備狀態監測和故障診斷已經進入智能化時代。 密封監測和診斷技術的不斷進步和成熟將會推動密封自我監測和自我診斷決策的實現， 首先是智能化的密封監測系統自動獲取機械密封運行狀態的豐富信息， 然后系統自動從密封設備狀態監測數據中分析、 提取故障特征信息， 進行模式識別和自我診斷故障， 最后針對設備的不同運行狀態作出相應的決策， 實現故障自愈調控。